混合物临界性质的数学模型研究与计算
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-5页 |
| 目次 | 第5-7页 |
| 1 综述 | 第7-19页 |
| ·混合物临界性质的研究进展 | 第7-10页 |
| ·混合物临界性质计算的热力学模型 | 第7-9页 |
| ·二元混合物临界相图的分类 | 第9-10页 |
| ·状态方程的研究进展 | 第10-15页 |
| ·理论状态方程 | 第10-11页 |
| ·半经验半理论状态方程 | 第11-15页 |
| ·人工神经网络简介 | 第15-18页 |
| ·人工神经元的结构 | 第16页 |
| ·人工神经网络分类及工作方式 | 第16-17页 |
| ·人工神经网络应用研究 | 第17-18页 |
| ·本论文的主要工作 | 第18页 |
| ·本论文的框架结构 | 第18-19页 |
| 2 混合物临界性质计算的严格解析方法 | 第19-34页 |
| ·CS-PR状态方程的提出 | 第19-20页 |
| ·状态方程参数的确定 | 第20-25页 |
| ·参数a，b的确定 | 第21-22页 |
| ·温度校正系数ψ的确定 | 第22-25页 |
| ·混合规则 | 第25页 |
| ·Gibbs严格热力学判据 | 第25-27页 |
| ·CS-PR方程结合Gibbs判据的公式推导 | 第27-31页 |
| ·计算方法 | 第31-32页 |
| ·计算结果及分析 | 第32-34页 |
| 3 混合物临界性质预测的BP网络模型 | 第34-53页 |
| ·BP网络的基本结构 | 第34-37页 |
| ·前馈网络 | 第34页 |
| ·BP网络的理论基础 | 第34-35页 |
| ·BP算法的实现 | 第35-36页 |
| ·网络的训练模式 | 第36-37页 |
| ·BP网络学习算法的改进 | 第37-41页 |
| ·基于梯度优化算法的改进方案 | 第37-39页 |
| ·基于数值优化算法的改进方案 | 第39-41页 |
| ·BP网络的泛化能力分析 | 第41-44页 |
| ·样本特性的影响 | 第42页 |
| ·网络本身特性的影响 | 第42-44页 |
| ·基于函数逼近的BP网络预测模型 | 第44-47页 |
| ·网络结构及参数 | 第44页 |
| ·样本的选择 | 第44-45页 |
| ·启发式学习算法 | 第45页 |
| ·BFGS学习算法 | 第45-46页 |
| ·Levenberg-Marquardt学习算法 | 第46-47页 |
| ·各方案结果对比分析 | 第47页 |
| ·基于分子间作用参数的BP网络预测模型 | 第47-53页 |
| ·分子间的相互作用 | 第48-49页 |
| ·预测模型 | 第49页 |
| ·网络结构及参数 | 第49页 |
| ·样本的选择 | 第49-50页 |
| ·基于BFGS算法的BP网络 | 第50-51页 |
| ·基于L-M算法的BP网络 | 第51页 |
| ·两种方案结果对比分析 | 第51-52页 |
| ·结论 | 第52-53页 |
| 4 参考文献 | 第53-55页 |
| 5 索引 | 第55-56页 |
| 硕士期间发表论文及获奖情况 | 第56-57页 |
| 致谢 | 第57-59页 |
